学习方法、管理装置和记录介质制造方法及图纸

本发明专利技术提供一种能够高精度且高效地生成回归方程的学习方法、管理装置和管理程序。学习方法对等离子体处理装置的腔室内的发光数据进行预处理。学习方法设定用于生成回归方程的机器学习的约束，回归方程表示等离子体处理装置的蚀刻速率与发光数据之间的关系。学习方法从被进行预处理后的发光数据中选择学习对象的波长。学习方法接受对与发光数据不同的其它传感器的数据的选择。学习方法将选择出的波长、接受到的其它传感器的数据、以及蚀刻速率作为学习数据，基于所设定的约束来进行机器学习，生成回归方程。学习方法输出生成的回归方程。

【技术实现步骤摘要】
学习方法、管理装置和记录介质
本公开涉及一种学习方法、管理装置和管理程序。
技术介绍
为了抑制等离子体处理装置随时间变动，提出进行装置参数的调整的APC(AdvancedProcessControl：先进过程控制)/AEC(AdvancedEquipmentControl：先进设备控制)。为了自动地进行这样的装置参数的调整，提出对等离子体处理装置的各种传感器的数据进行机器学习的提案。现有技术文献专利文献专利文献1：日本特表2014-514727号公报专利文献2：日本特表2017-536584号公报
技术实现思路
专利技术要解决的问题本公开提供一种能够高精度且高效地生成回归方程的学习方法、管理装置和管理程序。用于解决问题的方案基于本公开的一个方式的学习方法对等离子体处理装置的腔室内的发光数据进行预处理。学习方法设定用于生成回归方程的机器学习的约束，所述回归方程表示等离子体处理装置的蚀刻速率与发光数据之间的关系。学习方法从被进行预处理后的发光数据中选择学习对本文档来自技高网...

【技术保护点】
1.一种学习方法，具有以下处理：/n对等离子体处理装置的腔室内的发光数据进行预处理；/n设定用于生成回归方程的机器学习的约束，所述回归方程表示所述等离子体处理装置的蚀刻速率与所述发光数据之间的关系；/n从被进行预处理后的所述发光数据中选择学习对象的波长；/n接受对与所述发光数据不同的其它传感器的数据的选择；/n将选择出的所述波长、接受到的所述其它传感器的数据、以及所述蚀刻速率作为学习数据，基于所设定的所述约束来进行所述机器学习，生成所述回归方程；以及/n输出生成的所述回归方程。/n

【技术特征摘要】
20190426 JP 2019-0862161.一种学习方法，具有以下处理：
对等离子体处理装置的腔室内的发光数据进行预处理；
设定用于生成回归方程的机器学习的约束，所述回归方程表示所述等离子体处理装置的蚀刻速率与所述发光数据之间的关系；
从被进行预处理后的所述发光数据中选择学习对象的波长；
接受对与所述发光数据不同的其它传感器的数据的选择；
将选择出的所述波长、接受到的所述其它传感器的数据、以及所述蚀刻速率作为学习数据，基于所设定的所述约束来进行所述机器学习，生成所述回归方程；以及
输出生成的所述回归方程。


2.根据权利要求1所述的学习方法，其特征在于，
所述预处理为针对所述发光数据进行的平滑化处理、传感器仪器误差的调整处理、以及辐射测量法中的向标准化波长的发光比的转换处理中的一个或多个处理。


3.根据权利要求1或2所述的学习方法，其特征在于，
所述约束为变量增加代价、目标一致率、以及最大搜索次数中的一个或多个约束。


4.根据权利要求1至3中的任一项所述的学习方法，其特征在于，
所述选择的处理从所述发光数据中提取具有发光的峰值的波长，选择从提取出的所述波长中去除发光强度的平均值为第一阈值以下或第二阈值以上的波长后的波长。


5.根据权利要求1至4中的任一项所述的学习方法，其特征在于，
所述接受的处理生成基于所述其它传感器的数据的非线性项、干扰项、以及标准化项中的一项或多项，并接受对所生成的所述项的选择。


6.根据权利要求1至5中的任一项所述的学习方法，其特征在于，
所述回归方程为线性多项式。


7.根据权利要求1至6中的任一项所述的学习方法，其特征在于，
所述生成的处理使用稀疏建模来进行所述机器学习。


8.根据权利要求7所述的学习方法，其特征...

【专利技术属性】
技术研发人员：片冈勇树，渡边雄仁，
申请(专利权)人：东京毅力科创株式会社，
类型：发明
国别省市：日本;JP